Innostukseni on ilmoittaa Strands Agents -projektin julkaisusta, joka on avoimen lähdekoodin SDK ja tekee tekoälyagenttien rakentamisesta ja käyttämisestä helppoa malliohjautuneen lähestymistavan avulla ja vain muutamalla koodirivillä. Strands tukee laajaa valikoimaa erilaisia agentteja yksinkertaisista monimutkaisiin ja skaalaa paikallisesta kehityksestä tuotantoon. Se on jo käytössä AWS:n tiimeillä, kuten Amazon Q Developer, AWS Glue ja VPC Reachability Analyzer. Nyt voit helposti luoda omia AI-agentteja Strandsin avulla. Toisin kuin kehyksissä, jotka vaativat monimutkaisten työnkulkujen määrittämistä, Strands hyödyntää huipputason mallinkäsittelykykyjä—kuten suunnittelua, ajattelun ketjuttamista, työkalujen kutsumista ja reflektointia—antaa kehittäjien määrittää vain kehotteen ja työkalujen listan agentin luomiseksi. Strands, kuten kaksi DNA-juostetta, yhdistää mallin ja työkalut; malli suunnittelee seuraavat askeleet ja käyttää työkaluja kehittyneellä päättelyllä. Se tukee laajaa mukauttamista, mukaan lukien työkalujen valinta, kontekstin hallinta, istuntotila, muisti ja moni-agenttiset sovellukset. Strands toimii Amazon Bedrockin, Anthropicin, Ollaman, Metan ja muiden mallien kanssa LiteLLM:n kautta, ja sitä voi käyttää kaikkialla. Hanke on avoin yhteisö, johon ovat osallistuneet Accenture, Anthropic, Langfuse, mem0. ai, Meta, PwC, Ragas. io, Tavily ja monet muut. Esimerkkeinä ovat Anthropicin API-tuki ja Metsan Llama API -integraatio. Liity mukaan GitHubissa aloittaaksesi! ### Agenttimme matka Työskennellessäni Amazon Q Developer -generatiivisen AI-avustajan parissa, joka on suunniteltu ohjelmistojen kehitykseen, tiimini aloitti AI-agenttien rakentamisen alkuvuodesta 2023 ReAct (Reasoning and Acting) -tutkimuspaperin jälkeen. Se osoitti, että suuret kielimallit (LLMs) voivat päättää ja toimia—esimerkiksi tehdä API-kutsuja generoimalla syötteitä. Vaikka LLMit eivät alun perin olleet koulutettuja toimimaan agentteina, vaan luonnollisen kielen keskustelussa, loimme monimutkaisia kehyksiä, joissa oli kehotusohjeita, vastausselittäjiä ja orkestrointilogiikkaa—usein kuukausia säätämällä agentteja tuotantokäyttöön. Kun LLM:t paranivat merkittävästi päättelyn ja työkalujen käytön alalla, nämä monimutkaiset kehykset muodostuivat pullonkauloiksi, jotka hidastivat iterointia ja joustavuutta. Tunnistimme tämän muutoksen ja loimme Strands Agentsin poistamaan orkestroinnin monimutkaisuutta ja hyödyntämään modernien LLM:ien natiivia päättelyä ja työkalujen käyttöä. Tämä lähestymistapa pienensi kehitysaikaa kuukausista viikkoihin tai päiviin, nopeuttaen merkittävästi tuotantovalmiutta ja parantaen käyttökokemusta. ### Strands Agentsin keskeiset konseptit Agentti koostuu kolmesta osasta: (1) mallista, (2) työkaluista ja (3) kehotteesta. Agentit toimivat itsenäisesti käyttäen näitä suorittaakseen tehtäviä kuten kysymyksiin vastaaminen, koodaus, suunnittelu tai portfoliosi optimointi.

Malliohjautuva lähestymistapa antaa mallille mahdollisuuden ohjata itse dynaamisesti vaiheita ja työkalujen käyttöä tavoitteen saavuttamiseksi. - **Malli:** Strands tukee joustavia malleja, kuten Amazon Bedrockin malleja työkalujen ja streamauksen kanssa, Anthropicin Claude-malleja API:n kautta, Llama-malleja Llama API:n kautta, Ollamaa paikalliseen kehitykseen, OpenAI:ta LiteLLM:n kautta ja räätälöityjä malleja. - **Työkalut:** Saatavilla on tuhansia Model Context Protocol (MCP) -palvelintyökaluja, sekä yli 20 valmista työkalua, kuten tiedostosuhteiden hallinta, API-kutsut ja AWS API -interaktiot. Python-funktiot voidaan helposti kääriä työkalumaisiksi käyttämällä @tool-yllästysmerkkiä. - **Kehote:** Kehittäjät antavat luonnollisen kielen kehotteen, joka määrittelee tehtävän, sekä järjestelmäkehotteen agentin käyttäytymisen ohjaamiseksi. Agentti suorittaa “agenttisen silmukan”: vuorotellen vuorovaikuttaa mallin ja työkalujen kanssa, kunnes tehtävä on valmis. Jokaisessa kierroksessa LLM saa kehotteen, kontekstin ja työkalujen kuvaukset, ja päättää vastata suoraan, suunnitella, reflektoida tai kutsua työkaluja. Strands suorittaa valitut työkalut ja palauttaa tulokset LLM:lle, mikä johtaa lopulliseen vastaukseen. Työkalut mahdollistavat mukautuksen ja monimutkaisuuden: ne voivat hakea dokumentteja tietopohjista, tehdä API-kutsuja, ajaa Python-koodia tai antaa staattisia ohjeita. Esimerkkejä työkaluista ovat: - **Retrieve Tool:** Suorittaa semanttisen haun Amazon Bedrock Knowledge Bases -tietopankeista, hakee relevantteja asiakirjoja tai työkaluja. Esimerkkinä AWS:n sisäinen agentti valitsee yli 6 000 työkalusta sopivimman alibasen, jonka se esittelee mallille. - **Thinking Tool:** Mahdollistaa monen kierroksen syväanalyysin ja itsereflektiota. - **Multi-agent Tools:** Työnkulku-, graafi- ja parveilutyökalut tukevat useiden agenttien yhteistyötä monimutkaisissa tehtävissä. Agent2Agent (A2A) -protokollan tuki on tulossa. ### Aloita Strands Agentsin käyttö Tässä yksinkertainen esimerkki nimenantoavasta AI-avustajasta, joka käyttää Strandsia Amazon Bedrock -mallilla, MCP-palvelinta domainin validointiin ja valmiiksi rakennettua GitHub-työkalua organisaationimen saatavuuden tarkistamiseen: ```python from strands import Agent from strands. tools. mcp import MCPClient from strands_tools import http_request from mcp import stdio_client, StdioServerParameters NAMING_SYSTEM_PROMPT = """ Olet avustaja, joka auttaa nimeämään avoimen lähdekoodin projekteja. Tarjoa saatavilla olevia domain-nimiä ja GitHub-organisaatioita niiden saatavuuden vahvistamisen jälkeen. """ domain_name_tools = MCPClient(lambda: stdio_client( StdioServerParameters(command="uvx", args=["fastdomaincheck-mcp-server"]) )) github_tools = [http_request] with domain_name_tools: tools = domain_name_tools. list_tools_sync() + github_tools naming_agent = Agent(system_prompt=NAMING_SYSTEM_PROMPT, tools=tools) naming_agent("Minulla on tarve nimetä avoimen lähdekoodin projekti AI-agentteja varten. ") ``` Aja tämä asettamalla GitHub-tunnuksesi ympäristömuuttujaan `GITHUB_TOKEN`, varmistaen että sinulla on pääsy Anthropicin Claude 3. 7 Sonnet -malliin us-west-2-alueella ja aws-kirjaimesi on konfiguroitu asianmukaisesti. Asenna paketit komennolla: ``` pip install strands-agents strands-agents-tools python -u agent. py ``` Saat ehdotuksia projektinimen ja saatavuustarkistusten kanssa. Strands MCP -palvelimet toimivat hyvin AI-avusteisten kehitystyökalujen kuten Q Developer CLI:n kanssa. Lisää esimerkiksi seuraava konfiguraatio: ```json { "mcpServers": { "strands": { "command": "uvx", "args": ["strands-agents-mcp-server"] } } } ``` ### Strands Agentien käyttöönotto tuotannossa Strands on suunniteltu tuotantokäyttöön, ja sitä voidaan käyttää erilaisilla käyttöönottoarkkitehtuureilla. Voit ajaa agentteja paikallisesti, API-rajapinnan takana (AWS Lambda, Fargate tai EC2), tai hajautetuissa järjestelmissä, joissa agentoinnin silmukka ja työkalujen suoritusympäristöt ovat erossa. Esimerkiksi työkalut voivat toimia Lambdassa, kun taas agentti pyörii kontissa; tai asiakkaat voivat hallinnoida työkaluja paikallisesti ja kommunikoida taustapalvelin-agentin kanssa. Strands tukee myös havaittavuutta ja monitorointia OpenTelemetry (OTEL) -standardin avulla, mikä mahdollistaa yksityiskohtaisen jäljityksen, mittarien ja telemetrian keräämisen agenttien istunnoista hajautetuissa järjestelmissä. ### Liity Strands Agent -yhteisöön Strands Agents on avoin lähdekoodi Apache License 2. 0 -lisenssillä. Osallistumisia uusien mallien ja työkalujen lisäämiseen, uusien ominaisuuksien kehittämiseen tai dokumentaation parantamiseen otetaan mielellään vastaan. Löytävät ongelmat tai ideat?Liity mukaan GitHubiin ja auta rakentamaan AI-agenttien tulevaisuutta Strandsin kanssa!